[控场AI]
· 4 分钟阅读· 2,164 字

Agent Skills落地:工作流编排17节,加OpenClaw、FDE与本地模型

Agent Skills落地:工作流编排17节,加OpenClaw、FDE与本地模型

工作流由程序员编排、智能体由模型自主决策,复杂业务应优先用工作流。

文章基于B站UP主老肖的分享,厘清工作流与智能体的边界。工作流是大模型与工具通过预定义代码路径编排成的图,节点可为函数、工具或智能体,边决定流转;智能体则由大模型根据上下文动态决定调用什么工具、调用几次,内部没有程序员预设的编排。二者并非对立:智能体可作为工作流中的一个节点,工作流也可通过加入大模型节点替代部分智能体功能,但作者判断工作流能替代智能体,反之不成立。选择依据是业务复杂度——单一任务用智能体即可,工具超过30个且功能相似的复杂场景应使用工作流以避免决策幻觉。落地层面,文章介绍LangGraph以状态、节点、边三要素构建状态图,流程为定义状态、添加节点和边、编译运行。

工作流与智能体是构建复杂大模型应用的两大核心组件,但很多开发者对二者的边界和适用场景存在误解。本文基于B站UP主老肖的分享,系统梳理工作流的核心概念、与智能体的本质区别,以及基于LangGraph的落地实践。

工作流是什么:程序员编排的图

老肖在视频中给出了清晰定义:工作流是大语言模型和工具通过预定义的代码路径进行编排的系统。核心在于「编排」——由程序员把大模型、工具和业务逻辑按照需求组织成一张图。

那就要看你未来的实际业务中

这里的节点可以是Python函数、工具调用,也可以是智能体。节点之间通过边连接,前一个节点的输出作为下一个节点的输入,形成明确的流转路径。这种显式编排让开发者对系统行为有完全的控制权。

智能体 vs 工作流:自主决策与预设流程

两者的根本区别在于「谁来决定流程」。智能体由大模型根据上下文语义动态决策何时调用工具、调用几次、结果传给谁,流程不是程序员预设的。工作流则相反,节点间的流转由代码中的边和条件分支固定下来。

这是这是一种情况

老肖强调,智能体内部其实没有「编排」——它的工具调用顺序是模型自己决定的。而工作流天然具备编排能力,支持条件分支、循环和动态路由。二者的关系并非对立:智能体可以作为工作流中的一个节点,尤其是多智能体场景下,用工作流把多个Agent组织起来是常见做法;反过来,工作流也能通过加入大模型节点来替代部分智能体功能。

他的判断很直接:工作流可以替代智能体,但智能体替代不了工作流。

ReAct 范式是理解智能体自主决策机制的关键背景。ReAct(Reasoning + Acting)由 Shunyu Yao 等人于 2022 年提出,核心思想是让大模型交替产生「推理轨迹」和「动作」:模型先输出一段思考(Thought),再决定调用哪个工具(Action),观察工具返回结果(Observation),然后继续下一轮思考。整个循环何时终止、每轮调用什么工具,完全由模型根据上下文语义自行判断,而非由外部代码写死。这正是智能体「没有编排」的技术根源——流程隐含在模型的逐轮生成中。ReAct 的代价是行为不可完全预测:工具数量增多、功能相近时,模型容易选错工具或陷入循环,这也是后文强调复杂业务应回归工作流编排的原因。

何时用哪个:业务复杂度决定

选择的关键在于业务复杂度。单一任务,比如简单的派车业务,用智能体就够了。但面对复杂政务办公助手这类需求,涉及大量工具和业务分支,智能体容易出现决策幻觉——工具超过30个且功能相似时尤其明显。

实现有状态可扩展的任务编排

此时工作流的优势显现:程序员可控的编排机制能灵活应对复杂业务流,避免模型在众多工具中「迷路」。多智能体协作时也需要工作流来定义执行顺序,否则谁先谁后无从确定。

LangGraph的三要素:状态、节点、边

LangGraph通过状态图将智能体和工作流结合,核心是三个组件:

状态(State) 是应用当前的快照,本质上是共享数据结构,类似上下文。所有节点接收状态作为输入,执行后返回的数据写回状态,可以覆盖、更新或删除。

节点(Node) 是处理单一功能的单元,可以是Python函数、工具或智能体。每个节点负责具体的业务逻辑。

边(Edge) 决定接下来执行哪个节点,根据状态中的数据做条件判断,也可以是固定跳转。

就是你在做编排的时候

可以用一个比喻理解:状态负责保存数据,节点负责处理业务逻辑,边负责控制流向。构建一张图的流程就是定义状态、添加节点和边、编译运行。

LangGraph 中的状态图(StateGraph) 借鉴了有限状态机与数据流图的思路,但与传统状态机不同,它的状态是一个可读写的共享字典(或 TypedDict 定义的结构),节点不消耗状态而是对其做增量更新。LangGraph 通过「reducer」机制决定同一字段多次写入时如何合并——默认是覆盖,也可以声明为追加列表,这对多轮累积消息、汇总多智能体产出非常关键。此外,图在编译后会生成可执行的 Runnable,支持流式输出、断点续跑(checkpoint)和人工介入(human-in-the-loop),这些能力让状态图不仅是编排工具,也承担了持久化与会话记忆的职责,是它区别于普通函数调用链的核心价值。

落地建议

对于正在构建复杂AI应用的团队,老肖的经验值得参考:先把业务拆成节点,明确每个节点的输入输出和状态变更,再用边定义流转规则。智能体不必排斥,把它当作图中的一个特殊节点即可。LangGraph的积木式设计让这种混合编排成为可能,既保留灵活性,又通过状态管理保证大规模系统的可靠运行。

工作流不是智能体的替代品,而是复杂业务场景下的必要补充。理解二者的边界,才能在架构设计时做出正确选择。

分享:

相关推荐